ChinaAPI
新規登録
グローバルサイト
English 日本語 한국어 ไทย Tiếng Việt Русский Bahasa Indonesia Português do Brasil Español Français (English only)
新規登録

中国語音声APIディレクトリ

音声認識（ASR）およびテキスト読み上げのための中国語音声API。

1つの ChinaAPI key で利用できる音声認識・音声合成モデルを比較できます。各モデルは実際のリクエストパスをそのまま使用します。stepaudio-2.5-tts、glm-tts、qwen3-tts-flash、speech-2.8-hd、speech-2.8-turbo、step-tts-2、step-tts-mini は /v1/audio/speech を使用します。stepaudio-2-asr-pro、step-asr、step-asr-1.1、qwen3-asr-flash、stepaudio-2.5-asr は /v1/audio/transcriptions を使用します。mimo-v2.5-asr と mimo-v2.5-tts は、モデル固有の音声ペイロードとともに /v1/chat/completions を使用します。

無料で始められます — $2クレジット リアルタイム価格を表示

ライブカタログ

1つのデータソースから生成された14音声モデル。

エンドポイントモード、課金単位、機能、表示価格は以下から取得されますModel IDs scripts/models-data.json音声料金はChinaAPIゲートウェイと照合されます。表示されるメディア料金には、プロバイダーの入出力請求、決済処理、チャージバックリスク、および運用をカバーするサービスマージンが含まれる場合があります。マージンはすべて表示料金に含まれており、別途加算されることはありません。本番環境への展開前に、実際の料金をご確認ください。

stepaudio-2-asr-pro

音声認識（ASR） · StepFun

終点： 投稿/v1/audio/transcriptions

リクエストモード: OpenAI-compatible終点

請求する： 音声1時間あたり$0.35

AudioSpeech-to-Text

step-asr

音声認識（ASR） · StepFun

終点： 投稿/v1/audio/transcriptions

リクエストモード: OpenAI-compatible終点

請求する： 音声1時間あたり$0.15

AudioSpeech-to-TextChinese Dialects

step-asr-1.1

音声認識（ASR） · StepFun

終点： 投稿/v1/audio/transcriptions

リクエストモード: OpenAI-compatible終点

請求する： 音声1時間あたり$0.35

AudioSpeech-to-TextChinese Dialects

mimo-v2.5-asr

音声認識（ ASR ）· Xiaomi

終点： 投稿/v1/chat/completions

リクエストモード: input_audioペイロードを使用したチャット完了

請求する： 音声1時間あたり$0.074

AudioSpeech-to-TextMultilingualChinese DialectsNoise Robustness

mimo-v2.5-tts

テキスト読み上げ（TTS） · Xiaomi

終点： 投稿/v1/chat/completions

リクエストモード: メッセージと音声出力設定を含むチャット完了機能

請求する： 10k文字あたり$0

期間限定で上流料金が無料です。本番環境への導入前に、実際の料金をご確認ください。

AudioText-to-SpeechMultilingualStyle ControlBuilt-in Voices

stepaudio-2.5-tts

テキスト読み上げ（TTS） · StepFun

終点： 投稿/v1/audio/speech

リクエストモード: OpenAI-compatible音声エンドポイント

請求する： 10k文字あたり$0.85

AudioText-to-SpeechContextual TTSStyle ControlBuilt-in Voices

glm-tts

テキスト読み上げ（TTS） · Zhipu AI

終点： 投稿/v1/audio/speech

リクエストモード: OpenAI-compatible音声エンドポイント

請求する： 10k文字あたり$0.3077

AudioText-to-SpeechStreamingEmotionVoice Control

qwen3-asr-flash

音声認識（ ASR ）· Alibaba

終点： 投稿/v1/audio/transcriptions

リクエストモード: OpenAI-compatible終点

請求する： 音声1時間あたり$0.1235

AudioSpeech-to-TextMultilingualEmotion RecognitionITN

qwen3-tts-flash

テキスト読み上げ（ TTS ）· Alibaba

終点： 投稿/v1/audio/speech

リクエストモード: OpenAI-compatible音声エンドポイント

請求する： 10k文字あたり$0.1231

AudioText-to-SpeechMultilingualBuilt-in VoicesStreaming

speech-2.8-hd

テキスト読み上げ（TTS） · MiniMax

終点： 投稿/v1/audio/speech

リクエストモード: OpenAI-compatible音声エンドポイント

請求する： 10k文字あたり$0.5385

AudioText-to-SpeechHigh FidelityEmotionMultilingual

speech-2.8-turbo

テキスト読み上げ（TTS） · MiniMax

終点： 投稿/v1/audio/speech

リクエストモード: OpenAI-compatible音声エンドポイント

請求する： 10k文字あたり$0.3077

AudioText-to-SpeechLow LatencyEmotionMultilingual

step-tts-2

テキスト読み上げ（TTS） · StepFun

終点： 投稿/v1/audio/speech

リクエストモード: OpenAI-compatible音声エンドポイント

請求する： 10k文字あたり$0.4

AudioText-to-SpeechVoice CloningEmotionPronunciation Control

step-tts-mini

テキスト読み上げ（TTS） · StepFun

終点： 投稿/v1/audio/speech

リクエストモード: OpenAI-compatible音声エンドポイント

請求する： 10k文字あたり$0.15

AudioText-to-SpeechMultilingualVoice CloningStyle Control

stepaudio-2.5-asr

音声認識（ASR） · StepFun

終点： 投稿/v1/audio/transcriptions

リクエストモード: OpenAI-compatible終点

請求する： 音声1時間あたり$0.022

AudioSpeech-to-TextStreamingChinese and EnglishITN

作業負荷に応じて選択

音声認識にはASR、音声出力にはTTSを使用します。

文字起こしと音声理解

stepaudio-2-asr-pro: StepFun StepAudio 2 ASR Pro — パラメータ32Bの音声認識モデルで、StepFunのASR系では精度重視の選択肢、stepaudio-2.5-asrは速度とコスト重視の選択肢です。ogg、mp3、wavのアップロードを受け付け、文字起こしの出力は課金されません。

文字起こしと音声理解

step-asr: StepFun step-asr — 中国語、英語、中国語方言に対応した汎用音声認識。文字起こし、議事録、通話品質のレビュー、音声検索に使えます。ogg、mp3、wavのアップロードを受け付け、文字起こしの出力は課金されません。

文字起こしと音声理解

step-asr-1.1: StepFun step-asr-1.1 — step-asr系の汎用認識モデルを更新したもので、中国語、英語、中国語方言に対応します。ogg、mp3、wavのアップロードを受け付け、文字起こしの出力は課金されません。

文字起こしと音声理解

mimo-v2.5-asr: Xiaomi MiMo-V2.5-ASR — 中国語、英語、コードスイッチング、地域方言、ノイズの多い録音、遠距離音声、複数話者、歌詞の音声認識。

音声出力の制御が可能

mimo-v2.5-tts: Xiaomi MiMo-V2.5-TTS — 内蔵音声、自然言語スタイルの指示、感情、ペース、トーン、方言、および文字制御を備えた表現力豊かな多言語音声合成。

専用経路を介した音声出力

stepaudio-2.5-tts: StepAudio 2.5 TTS — インラインの自然言語指示、表現力豊かな発話、内蔵音声、およびOpenAI-compatibleオーディオ出力による文脈に応じた音声合成。

専用経路を介した音声出力

glm-tts: GLM-TTS — 表現力豊かな音声合成、ストリーミング出力、高速なファーストオーディオ、音声、速度、音量のコントロールを備えたコンテキスト認識型音声合成。

文字起こしと音声理解

qwen3-asr-flash: Qwen3-ASR-Flash — 言語ヒント、逆テキスト正規化、感情認識、およびOpenAI-compatible音声入力による多言語ファイル文字起こし。

専用経路を介した音声出力

qwen3-tts-flash: Qwen3-TTS-Flash — 低遅延の多言語音声合成、混合言語入力、内蔵音声、自動言語マッチング、文字ベースの課金。

専用経路を介した音声出力

speech-2.8-hd: MiniMax音声2.8 HD — 自然な感情表現、言語強化、音声制御、および制作用オーディオフォーマットを備えた高忠実度音声合成。

専用経路を介した音声出力

speech-2.8-turbo: MiniMax音声2.8 Turbo — 自然な出力、感情制御、言語強化、一般的な制作オーディオフォーマットを備えた、速度重視の音声合成。

専用経路を介した音声出力

step-tts-2ステップTTS 2 — 公式音声とクローン音声による表現力豊かな音声合成、速度と音量のコントロール、発音マッピング、および複数の出力フォーマット。

専用経路を介した音声出力

step-tts-mini: Step TTS Mini — 中国語、英語、日本語、広東語、四川語に対応した、コスト効率に優れた表現力豊かな音声合成。公式音声とクローン音声に対応。

文字起こしと音声理解

stepaudio-2.5-asr: StepAudio 2.5 ASR — 中国語-英語の高速認識、ITN正規化、字幕、会議、音声エージェントのための4B MTP ストリーミング文字起こしモデル。

互換性の境界

OpenAI-compatible 、単一の普遍的なオーディオ経路を意味するものではありません。

ルート名とリクエストエンベロープは OpenAI-compatible のパターンに従いますが、クライアントは各モデルが必要とする音声フィールドを送信する必要があります。stepaudio-2.5-tts、glm-tts、qwen3-tts-flash、speech-2.8-hd、speech-2.8-turbo、step-tts-2、step-tts-mini は /v1/audio/speech を使用します。stepaudio-2-asr-pro、step-asr、step-asr-1.1、qwen3-asr-flash、stepaudio-2.5-asr は /v1/audio/transcriptions を使用します。mimo-v2.5-asr と mimo-v2.5-tts は、モデル固有の音声ペイロードとともに /v1/chat/completions を使用します。

クイックスタート

必要なモデルと輸送手段のリクエストをコピーしてください。

stepaudio-2-asr-pro

音声認識（ ASR ） /v1/audio/transcriptions

curl -X POST https://api.chinaapi.ai/v1/audio/transcriptions \
  -H "Authorization: Bearer $CHINAAPI_API_KEY" \
  -F "model=stepaudio-2-asr-pro" \
  -F "[email protected]" \
  -F "response_format=json"

step-asr

音声認識（ ASR ） /v1/audio/transcriptions

curl -X POST https://api.chinaapi.ai/v1/audio/transcriptions \
  -H "Authorization: Bearer $CHINAAPI_API_KEY" \
  -F "model=step-asr" \
  -F "[email protected]" \
  -F "response_format=json"

step-asr-1.1

音声認識（ ASR ） /v1/audio/transcriptions

curl -X POST https://api.chinaapi.ai/v1/audio/transcriptions \
  -H "Authorization: Bearer $CHINAAPI_API_KEY" \
  -F "model=step-asr-1.1" \
  -F "[email protected]" \
  -F "response_format=json"

mimo-v2.5-asr

音声認識（ ASR ） /v1/chat/completions

AUDIO_BASE64=$(base64 < meeting.wav | tr -d '\n')

curl -X POST https://api.chinaapi.ai/v1/chat/completions \
  -H "Authorization: Bearer $CHINAAPI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "mimo-v2.5-asr",
    "messages": [{
      "role": "user",
      "content": [{
        "type": "input_audio",
        "input_audio": {"data": "data:audio/wav;base64,'"$AUDIO_BASE64"'"}
      }]
    }]
  }'

mimo-v2.5-tts

テキスト読み上げ（ TTS ） /v1/chat/completions

curl -X POST https://api.chinaapi.ai/v1/chat/completions \
  -H "Authorization: Bearer $CHINAAPI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "mimo-v2.5-tts",
    "messages": [
      {"role": "user", "content": "Natural, clear, and friendly delivery"},
      {"role": "assistant", "content": "Welcome to ChinaAPI. 欢迎使用语音模型。"}
    ],
    "audio": {"format": "wav", "voice": "冰糖"}
  }' > response.json

stepaudio-2.5-tts

テキスト読み上げ（ TTS ） /v1/audio/speech

curl -X POST https://api.chinaapi.ai/v1/audio/speech \
  -H "Authorization: Bearer $CHINAAPI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "stepaudio-2.5-tts",
    "voice": "cixingnansheng",
    "input": "（轻声）Welcome to ChinaAPI. 今天我们来测试自然语音。",
    "response_format": "mp3"
  }' \
  --output speech.mp3

glm-tts

テキスト読み上げ（ TTS ） /v1/audio/speech

curl -X POST https://api.chinaapi.ai/v1/audio/speech \
  -H "Authorization: Bearer $CHINAAPI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "glm-tts",
    "voice": "tongtong",
    "input": "（轻声）Welcome to ChinaAPI. 今天我们来测试自然语音。",
    "response_format": "mp3"
  }' \
  --output speech.mp3

qwen3-asr-flash

音声認識（ ASR ） /v1/audio/transcriptions

curl -X POST https://api.chinaapi.ai/v1/audio/transcriptions \
  -H "Authorization: Bearer $CHINAAPI_API_KEY" \
  -F "model=qwen3-asr-flash" \
  -F "[email protected]" \
  -F "response_format=json"

qwen3-tts-flash

テキスト読み上げ（ TTS ） /v1/audio/speech

curl -X POST https://api.chinaapi.ai/v1/audio/speech \
  -H "Authorization: Bearer $CHINAAPI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "qwen3-tts-flash",
    "voice": "Cherry",
    "input": "（轻声）Welcome to ChinaAPI. 今天我们来测试自然语音。",
    "response_format": "mp3"
  }' \
  --output speech.mp3

speech-2.8-hd

テキスト読み上げ（ TTS ） /v1/audio/speech

curl -X POST https://api.chinaapi.ai/v1/audio/speech \
  -H "Authorization: Bearer $CHINAAPI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "speech-2.8-hd",
    "voice": "Chinese (Mandarin)_Warm_Bestie",
    "input": "（轻声）Welcome to ChinaAPI. 今天我们来测试自然语音。",
    "response_format": "mp3"
  }' \
  --output speech.mp3

speech-2.8-turbo

テキスト読み上げ（ TTS ） /v1/audio/speech

curl -X POST https://api.chinaapi.ai/v1/audio/speech \
  -H "Authorization: Bearer $CHINAAPI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "speech-2.8-turbo",
    "voice": "Chinese (Mandarin)_Warm_Bestie",
    "input": "（轻声）Welcome to ChinaAPI. 今天我们来测试自然语音。",
    "response_format": "mp3"
  }' \
  --output speech.mp3

step-tts-2

テキスト読み上げ（ TTS ） /v1/audio/speech

curl -X POST https://api.chinaapi.ai/v1/audio/speech \
  -H "Authorization: Bearer $CHINAAPI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "step-tts-2",
    "voice": "cixingnansheng",
    "input": "（轻声）Welcome to ChinaAPI. 今天我们来测试自然语音。",
    "response_format": "mp3"
  }' \
  --output speech.mp3

step-tts-mini

テキスト読み上げ（ TTS ） /v1/audio/speech

curl -X POST https://api.chinaapi.ai/v1/audio/speech \
  -H "Authorization: Bearer $CHINAAPI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "step-tts-mini",
    "voice": "cixingnansheng",
    "input": "（轻声）Welcome to ChinaAPI. 今天我们来测试自然语音。",
    "response_format": "mp3"
  }' \
  --output speech.mp3

stepaudio-2.5-asr

音声認識（ ASR ） /v1/audio/transcriptions

curl -X POST https://api.chinaapi.ai/v1/audio/transcriptions \
  -H "Authorization: Bearer $CHINAAPI_API_KEY" \
  -F "model=stepaudio-2.5-asr" \
  -F "[email protected]" \
  -F "response_format=json"

ChinaAPIの音声モデルはすべて同じオーディオエンドポイントを使用していますか？

No. stepaudio-2.5-tts、glm-tts、qwen3-tts-flash、speech-2.8-hd、speech-2.8-turbo、step-tts-2、step-tts-mini は /v1/audio/speech を使用します。stepaudio-2-asr-pro、step-asr、step-asr-1.1、qwen3-asr-flash、stepaudio-2.5-asr は /v1/audio/transcriptions を使用します。mimo-v2.5-asr と mimo-v2.5-tts は、モデル固有の音声ペイロードとともに /v1/chat/completions を使用します。

音声モデルの料金体系はどのようになっていますか？

stepaudio-2-asr-pro：音声1時間あたり$0.35、step-asr：音声1時間あたり$0.15、step-asr-1.1：音声1時間あたり$0.35、mimo-v2.5-asr：音声1時間あたり$0.074、mimo-v2.5-tts：10k文字あたり$0、stepaudio-2.5-tts：10k文字あたり$0.85、glm-tts：10k文字あたり$0.3077、qwen3-asr-flash：音声1時間あたり$0.1235、qwen3-tts-flash：10k文字あたり$0.1231、speech-2.8-hd：10k文字あたり$0.5385、speech-2.8-turbo：10k文字あたり$0.3077、step-tts-2：10k文字あたり$0.4、step-tts-mini：10k文字あたり$0.15、stepaudio-2.5-asr：音声1時間あたり$0.022。表示されているメディア料金には、プロバイダーの入出力課金、決済処理、チャージバックリスク、運用をカバーするサービスマージンが含まれる場合があります。マージンがある場合は表示料金にすでに含まれており、別途加算されることはありません。これらの値はこのページに書き写されたものではなく、モデルカタログから描画されています。

中国本土のアカウントがなくても、これらのモデルを使用できますか？

はい。ChinaAPIは、中国本土のアカウントや電話番号がなくてもアクセスできます。キーを登録したら、選択したモデルに表示されているルートとペイロードを正確に使用してください。